> ## Documentation Index
> Fetch the complete documentation index at: https://docs.devinenterprise.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Data Analyst Agent

> Use o Data Analyst Agent (DANA) para consultas rápidas a bancos de dados, análise de dados e visualizações no Slack ou no web app.

O **Data Analyst Agent**, também conhecido como **DANA** (Data ANAlyst), é uma versão especializada do Devin, otimizada para consultas a bancos de dados, análise de dados e criação de visualizações. Ele foi projetado para ser rápido, conciso e voltado especificamente para fluxos de trabalho de análise de dados.

## Quando usar o Data Analyst Agent

O Data Analyst Agent é ideal quando você precisa:

* **Consultar bancos de dados**: Escrever e executar consultas SQL em suas fontes de dados conectadas
* **Analisar dados**: Explorar padrões, calcular métricas e investigar tendências nos seus dados
* **Criar visualizações**: Gerar gráficos profissionais usando seaborn
* **Responder a perguntas sobre seus dados**: Obter respostas rápidas e precisas para perguntas sobre seus dados
* **Gerar insights**: Descobrir padrões, anomalias e conclusões acionáveis

## Acessando o agente Data Analyst

### Pelo web app

1. Acesse a página inicial do Devin
2. Clique no seletor de agente ao lado do campo de mensagem
3. Abra o submenu **Mode** e selecione **Data** — o seletor passará a exibir **Data Analyst**
4. Inicie sua sessão com uma pergunta ou tarefa relacionada a dados

> [!NOTE]
>
> O Data Analyst Agent não está disponível nos planos gratuitos ou de avaliação, por isso o modo **Data** não aparece no seletor para essas organizações.

### Pelo Slack

Você pode iniciar uma sessão do Data Analyst diretamente pelo Slack usando um destes métodos:

**Usando o comando de barra (/):**

```
/dana Quais foram os 10 principais clientes por receita no mês passado?
```

**Usando uma menção com a macro `!dana`:**

```
@Devin !dana Quais foram nossos 10 principais clientes por receita no mês passado?
```

Ambos os métodos criarão uma sessão de Data Analyst e responderão no próprio thread com os resultados.

## Pré-requisitos

Antes de usar o Data Analyst Agent, você precisará conectar pelo menos uma fonte de dados via MCP (Model Context Protocol). Integrações comuns incluem:

* **MCPs de banco de dados**: Redshift, PostgreSQL, Snowflake, BigQuery e outros bancos de dados SQL
* **MCPs de análise**: Datadog, Metabase e outras plataformas de observabilidade

Se não houver nenhuma fonte de dados conectada, o agente notificará você e pedirá que conecte uma antes de prosseguir.

> [card] [Configure integrações MCP](https://docs.devinenterprise.com/pt-BR/work-with-devin/mcp.md)
>
> Saiba como conectar bancos de dados e outras fontes de dados via MCP

## Como funciona

### Knowledge de banco de dados

O Data Analyst Agent mantém uma nota de **Knowledge de banco de dados** que contém a documentação de schema dos bancos de dados conectados. Essa Knowledge é consultada automaticamente antes da execução de consultas, permitindo que o agente identifique rapidamente as tabelas e colunas corretas.

## Exemplos de prompts

Aqui estão algumas maneiras eficazes de usar o Data Analyst Agent em diferentes tipos de consultas:

### Consultas simples

* "Quantos usuários ativos tivemos na semana passada?"
* "Qual é a nossa tendência diária de receita no último mês?"
* "Quais clientes têm o maior volume de uso?"

### Agregações e métricas

* "Qual é a duração média das sessões por nível de plano nos últimos 30 dias?"
* "Mostre a receita total agrupada por região e linha de produto para o 4º trimestre (Q4)"
* "Calcule o tempo de resposta no 95º percentil para cada endpoint de API desta semana"

### Junções e análise entre tabelas

* "Faça um join da nossa tabela de usuários com a tabela de pedidos e mostre os 20 principais clientes por lifetime value (LTV)"
* "Correlacione a origem do cadastro com a retenção de 30 dias — quais canais de aquisição têm as melhores taxas de retenção?"
* "Combine dados de sessão com registros de faturamento para encontrar contas com alto uso, mas baixo gasto"

### Filtragem e segmentação

* "Mostre apenas clientes Enterprise que se cadastraram após janeiro de 2025 e têm mais de 100 sessões"
* "Filtre os logs de erro para mostrar apenas erros 5xx do serviço de pagamentos nas últimas 48 horas"
* "Detalhe o consumo por clientes Enterprise vs. autoatendimento, excluindo contas em período de teste"

### Análise de séries temporais

* "Mostre um gráfico de usuários ativos semanais dos últimos 6 meses — destaque qualquer semana com variação superior a 10%"
* "Mostre uma comparação mês a mês das taxas de cadastro de 2025 em relação a 2024"
* "Qual é a tendência diária de chamadas de API nos últimos 90 dias? Sobreponha uma média móvel de 7 dias"

### Investigações e detecção de anomalias

* "Por que os novos cadastros caíram na última terça-feira? Verifique se houve algum incidente ou implantação relacionada"
* "Há alguma anomalia em nossas taxas de erro nesta semana?"
* "Compare as métricas deste mês com o mesmo período do ano passado e sinalize desvios significativos"

### Análise em múltiplas etapas

* "Analise a retenção de usuários por coorte no Q4, depois identifique quais coortes têm a maior queda e sugira possíveis causas"
* "Encontre os 10 usuários com mais sessões, mostre suas atividades ao longo do tempo e sinalize quaisquer casos que pareçam possíveis churns"

## Fontes de dados compatíveis

O Agente de Análise de Dados se conecta aos seus dados por meio de integrações MCP (Model Context Protocol). Você pode conectar múltiplas fontes de dados e fazer consultas entre elas. Abaixo estão algumas das fontes de dados mais comuns disponíveis no [MCP Marketplace](https://app.devin.ai/settings/connections?tab=mcps) — esta não é uma lista exaustiva.

### Bancos de dados SQL

| Fonte de dados | Nome MCP | Configuração |
| - | - | - |
| Amazon Redshift | Redshift | String de conexão + credenciais |
| PostgreSQL | PostgreSQL | String de conexão |
| Snowflake | Snowflake | Conta + credenciais |
| Google BigQuery | BigQuery | OAuth ou conta de serviço |
| MySQL | MySQL | String de conexão |
| SQL Server | SQL Server | String de conexão |
| Neon | Neon | OAuth |
| Supabase | Supabase | Token de acesso pessoal |
| Cloud SQL (PostgreSQL, MySQL, SQL Server) | Cloud SQL | OAuth |

### Plataformas de análise e observabilidade

| Fonte de dados | Nome do MCP | Configuração |
| - | - | - |
| Datadog | Datadog | API key + chave de aplicativo |
| Metabase | Metabase | OAuth |
| Grafana | Grafana | URL + token de conta de serviço |
| Sentry | Sentry | OAuth |

### Conectando uma fonte de dados

1. Acesse [Customize > MCPs](https://app.devin.ai/customize?tab=mcps)
2. Encontre sua fonte de dados e clique em **Enable**
3. Forneça as credenciais necessárias (strings de conexão, Chaves de API ou OAuth)
4. Inicie uma sessão do Data Analyst — o agente descobrirá automaticamente suas fontes de dados conectadas

Precisa de uma fonte de dados que não esteja no Marketplace? Use **Add Your Own** para conectar qualquer servidor MCP, fornecendo sua configuração diretamente.

> [card] [Configurar integrações MCP](https://docs.devinenterprise.com/pt-BR/work-with-devin/mcp.md)
>
> Instruções completas de configuração para cada fonte de dados

> [!NOTE]
>
> Você pode conectar várias fontes de dados simultaneamente. O Agente de Análise de Dados usará as ferramentas MCP apropriadas com base no contexto da sua consulta.

## Boas práticas

### Seja específico sobre métricas

Em vez de fazer perguntas vagas, defina exatamente o que você quer medir:

```text Good theme={null}
"Qual é a nossa contagem de usuários ativos em 7 dias, definida como usuários que iniciaram pelo menos uma sessão?"
```

```text Less effective theme={null}
"Como estão os nossos usuários?"
```

### Especifique períodos de tempo

Sempre inclua o intervalo de tempo de interesse. O agente usa UTC por padrão ao interpretar datas relativas.

```text Bom theme={null}
"Mostre a receita diária dos últimos 30 dias"
```

```text Menos eficaz theme={null}
"Mostre a receita"
```

### Solicite formatos específicos de saída

Diga ao agente como você quer ver os resultados — em forma de tabela, gráfico ou resumo:

```text Bom theme={null}
"Crie um gráfico de linha com os cadastros semanais do último trimestre, com uma tabela dos dados brutos abaixo"
```

```text Menos eficaz theme={null}
"Obtenha os números de cadastros"
```

### Defina a lógica de negócios desde o início

Se suas métricas tiverem definições específicas, inclua-as no seu prompt para evitar ambiguidade:

```text Good theme={null}
"Mostre a taxa de churn mensal, em que churn é definido como contas com zero sessões nos últimos 30 dias que tiveram pelo menos uma sessão nos 30 dias anteriores"
```

```text Less effective theme={null}
"Qual é a nossa taxa de churn?"
```

### Peça comparações e contexto

Adicionar períodos de comparação ou benchmarks torna os resultados mais úteis:

```text Good theme={null}
"Mostre os usuários ativos diários desta semana em comparação com a mesma semana do mês passado e destaque os dias com mais de 15% de desvio"
```

```text Less effective theme={null}
"Mostre os usuários ativos diários"
```

### Iterar sobre os resultados

Você pode fazer perguntas de acompanhamento na mesma sessão para investigar mais a fundo:

1. Comece de forma ampla: *"Quais são nossos 10 principais clientes por receita neste trimestre?"*
2. Aprofunde: *"Para os 3 principais, mostre a tendência de receita mensal ao longo do último ano"*
3. Investigue: *"O cliente X teve um pico de receita em março — o que motivou isso?"*

### Validar o SQL

O agente sempre inclui a consulta SQL que utilizou. Revise-a para garantir que a lógica corresponda às suas expectativas, especialmente em análises complexas que envolvam junções, filtros ou agregações.

## Formatos de saída

O agente Data Analyst retorna resultados em vários formatos, dependendo do tipo de análise:

### Tabelas

Para buscas e agregações de dados, os resultados são exibidos como tabelas formatadas:

```
| Customer       | Revenue   | Sessions | Avg Duration |
|----------------|-----------|----------|--------------|
| Acme Corp      | $125,400  | 1,247    | 34 min       |
| Globex Inc     | $98,200   | 983      | 28 min       |
| Initech        | $87,600   | 876      | 41 min       |
```

### Gráficos e visualizações

Quando você solicitar análise visual ou quando os dados forem melhor compreendidos de forma gráfica, o agente gera gráficos usando seaborn. Tipos comuns de gráficos incluem:

* **Gráficos de linha** — tendências de séries temporais, comparações ao longo do tempo
* **Gráficos de barras** — comparações categóricas, classificações
* **Mapas de calor** — matrizes de correlação, padrões de atividade
* **Gráficos de dispersão** — análise da relação entre duas métricas

> [!TIP]
>
> Peça um tipo específico de gráfico se você tiver uma preferência ou deixe o agente escolher a visualização mais adequada para seus dados.

### Resumos e insights

Para prompts de investigação, o agente fornece uma resposta estruturada que inclui:

* **Resumo da análise** — uma resposta em linguagem simples para a sua pergunta
* **Consulta SQL** — a consulta SQL exata utilizada, para que você possa verificar a lógica
* **Principais números** — as métricas mais importantes destacadas
* **Insights de dados** — padrões, anomalias ou descobertas relevantes
* **Link do Metabase** — se sua organização tiver o Metabase conectado via MCP, o agente pode incluir um link para um dashboard interativo para exploração mais detalhada

## Gerenciamento de Knowledge

O Data Analyst Agent pode persistir aprendizados entre sessões usando o sistema de Knowledge. Quando ele descobre:

* Novas informações de esquema ou relacionamentos entre tabelas
* Lógica de negócios ou definições de métricas
* Padrões de qualidade de dados ou ressalvas

ele salva isso em notas no Knowledge para que sessões futuras se beneficiem do que foi aprendido.

> [card] [Saiba mais sobre Knowledge](https://docs.devinenterprise.com/pt-BR/product-guides/knowledge)
>
> Entenda como funciona o sistema de Knowledge do Devin

## Diferenças em relação ao Devin padrão

| Capability | Data Analyst Agent | Standard Devin |
| - | - | - |
| SQL query execution | Execução otimizada | Suportada |
| Data visualizations | Suporte integrado a seaborn | Configuração manual |
| Database schema awareness | Conhecimento pré-carregado | Exploração sob demanda |
| Response style | Respostas concisas, focadas em métricas | Explicações detalhadas |
| Code changes | Não é o foco principal | Suporte completo |
| MCP integrations | Integrações obrigatórias | Integrações opcionais |

O Data Analyst Agent é desenvolvido especificamente para trabalho com dados. Para tarefas que envolvem alterações de código, implantações (deploys) ou engenharia de software em geral, use o Devin padrão.


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.